Using Local AI to build a Visual Inspection Assistant POC

The Missing Cent: A Beginner’s Guide to Harness Engineering.

The Missing Cent: A Beginner’s Guide to Harness Engineering. AI agents can write code, but can you trust it? Part 1 of my Harness Engineering From Scratch series. This is Part 1 of my series …

Governing Coding-Agent Sprawl with MLflow AI Gateway

A demonstration of how to use MLflow AI Gateway to manage coding agent sprawl.

Part — 1 All you need to know about CNN

Part — 1 All you need to know about CNN Introduction to Convolutional Neural Networks A Convolutional Neural Network (CNN) is a type of neural network designed to work with data that has a …

The Model Never Runs Your Code

The Model Never Runs Your Code A practical guide to LLM tool calling: how it works, how to design tools models use well and how to build a safe agent loop in Python A developer gives a language model …

Got Milk (Data)? How I Uncovered a $100M+ UK Trade Story Using Pandas, SQL, and Seaborn

Got Milk (Data)? How I Uncovered a $100M+ UK Trade Story Using Pandas, SQL, and Seaborn My Week 8 deep dive at the DataraFlow Data Science Internship: mastering the Split-Apply-Combine paradigm …

I changed one llama.cpp flag, and my 8GB laptop GPU now runs a 35B model faster than I can read

Một lập trình viên đã tìm ra cách chạy model Llama 35B trên laptop GPU chỉ 8GB VRAM với tốc độ đáng kinh ngạc. Nguyên nhân kỹ thuật nằm ở việc chỉnh sửa cờ n_gpu_layers trong llama.cpp, cho phép tận dụng hiệu quả bộ nhớ VRAM thay vì để nó trở thành điểm nghẽn. Hệ quả là model 35B parameters chạy nhanh đến mức người dùng không kịp theo dõi, vượt xa các kỳ vọng ban đầu về giới hạn phần cứng. Điều đáng học hỏi là đôi khi vấn đề không nằm ở cấu hình phần cứng mà ở cách tối ưu hóa phần mềm để khai thác tiềm năng thực sự của hardware.

Bài viết tiết lộ cách tối ưu hóa một cờ trong llama.cpp để chạy mô hình 35B trên GPU 8GB nhanh hơn tốc độ đọc của bạn.

Build Your Own Reasoning Model: A Full Video Course

Khóa học video kéo dài 11 giờ tập trung vào việc xây dựng model reasoning với Python và PyTorch. Nội dung bao gồm các kỹ thuật advanced như evaluation, inference-time scaling, reinforcement learning và distillation. Qua khóa học, bạn sẽ học cách tối ưu hiệu suất của các reasoning model hiện đại. Các bài thực hành code chi tiết giúp hiểu sâu về quy trình training và fine-tuning. Giá trị lớn nhất nằm ở việc kết hợp lý thuyết với thực hành để xây dựng được hệ thống AI có khả năng reasoning mạnh mẽ.

Lập trình viên muốn nâng cấp kiến thức về mô hình học máy từ cơ bản đến ứng dụng thực tế—đặc biệt là trong scaling mô hình, reinforcement learning, và distillation—để áp dụng ngay trong dự án AI của mình với Python và PyTorch.

MQTT delivered the message. Did the database commit?

A runnable MQTT crash/reconnect example shows why a database commit needs a durable event key. Compare a naive counter with atomic SQLite deduplication.